基于马尔科夫随机场的炉膛火焰图像分割

提出一种基于马尔科夫随机场模型的火焰图像分割算法。将由系统装置获取的原始火焰图像从RGB空间变换到HSV颜色空间,以提取颜色特征。分别对原始图像建立Potts标记场模型和有限正态混合观测场模型(FGMM),结合颜色特征,运用贝叶斯估计和ICM算法,计算最大后验概率(MAP),并完成图像分割。实验证明,该算法可以有效地分割炉膛火焰图像,为之后的工作奠定了基础。     

形态小波域多尺度马尔可夫模型在纹理图像分割中的应用

针对图像分割中小波域多尺度马尔可夫模型(MRMRF-W)无法有效描述图像非线性特征,提出了一种在形态小波域下的多尺度MRF模型（MRMRF-MW）,实现纹理图像分割。该模型结合了形态小波和MRF各自的优势,能够对图像进行非线性多尺度分解,并在各尺度上进行空间关系建模。通过对两个纹理图像库（Brodatz纹理库、Prague纹理库）中图像的分割实验,验证了该模型的有效性。     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

基于改进马尔可夫随机场的钢轨缺陷分割

为提高钢轨缺陷分割对噪声的鲁棒性,提出一种基于改进马尔可夫随机场(MRF)的钢轨缺陷分割方法。利用背景差分法对灰度进行预处理,消除灰度分布不均的干扰。对模糊if-then规则的前提部分采用马尔可夫随机场来利用图像中的空间约束,结果部分指定像素距离图算法,通过使用马尔可夫随机场(MRF)在相邻像素图像之间并入局部空间信息,推导出新的自适应模糊集和MRF相结合的钢轨表面缺陷自动分割方法。建立标准的FCM、GMM和该方法的钢轨缺陷分割对比实验,验证了算法的有效性和优越性。     

基于马尔可夫随机场的纹理图像并行分割

基于消息传递接口（Message Passing Interface,MPI）和消息传递并行编程模型,提出了一种针对计算机集群（Cluster）的纹理图像并行分割算法。该算法使用马尔可夫随机场作为纹理特征,通过将图像分块,把特征提取的计算量均匀的分布到并行系统中的各个节点上,从而极大地减少了计算时间。在遥感图像上的实验发现,该算法在4机并行的环境下可以取得与单机串行程序一样精确的分割,而耗时仅为串行程序的31.95％。令人满意的实验结果表明该并行算法不但可以有效的应用于纹理图像分割,而且也为使用计算机集群实现高时间复杂度的图像处理提供了有益的启示。     

基于模糊马尔可夫场的脑部MR图像分割算法

在传统马尔可夫场模型的基础上,建立了模糊马尔可夫场模型。通过对模型的分析得出图像像素对不同类的隶属度计算公式,提出了一种高效、无监督的图像分割算法,从而实现了对脑部MR图像的精确分割。通过对模拟脑部MR图像和临床脑部MR图像分割实验,表明新算法比传统的基于马尔可夫场的图像分割算法和模糊C-均值等图像分割算法有更精确的图像分割能力。     

基于马尔可夫随机场模型的运动对象分割算法

提出了一种基于马尔可夫随机场(MRF)模型的运动分割算法,仅使用了压缩流中的运动矢量和块编码模式信息,可以在复杂场景下对运动对象有很好的分割效果.利用运动矢量量化的方法来对运动矢量进行预处理,对运动矢量进行马尔可夫建模,利用能量最小函数进行优化得到运动对象分割的效果.实验表明:与现有的方法相比,该方法可从复杂场景中更准确地对运动对象进行分割.     

基于马尔可夫随机场的图像分割方法综述

系统地综述了基于MRF的图像分割方法。介绍了基于MRF模型的图像分割理论框架, 给出了当前MRF图像建模研究的热点问题。概括了基于MRF模型的图像分割算法, 包括图割算法、归一化割算法、置信度传播算法等, 指出了这些算法的发展方向。     

结合马尔可夫随机场与模糊C-均值聚类的脑MRI图像分割

脑磁共振成像(MRI)在临床上得到了大量的应用,准确分割脑组织结构可以提高脑疾病诊断的可靠性和治疗方案的有效性。模糊C-均值聚类(FCM)算法擅长解决图像中存在的模糊性和不确定性问题,是最常用的脑MRI分割方法。但因FCM仅利用图像灰度信息,没有考虑区域信息,导致其抗噪性能很差,常与区域信息结合进行改进。马尔可夫随机场(MRF)算法充分利用了图像区域信息,但容易出现过分割现象,因此FCM常与MRF进行结合改进。针对现有的FCM和MRF结合方式上存在的问题,提出了一种新型的自适应权值的FCM与MRF结合算法,用于脑MR图像分割。该算法利用了图像邻域像素的区域相关性,自适应的更新联合场的权值,改进了现有的权值固定的结合方式,充分发挥了FCM和MRF各自的优势,使二者结合更加合理。实验结果表明,本文算法较FCM和现存的一些FCM改进算法有更强的抗噪声能力和更高的分割精度。     

Parallel exact sampling and evaluation of Gaussian Markov random fields

Markov chain Monte Carlo algorithms are computationally expensive for large models. Especially, the so-called one-block Metropolis-Hastings (M-H) algorithm demands large computational resources, and parallel computing seems appealing. A parallel one-block M-H algorithm for latent Gaussian Markov random field (GMRF) models is introduced. Important parts of this algorithm are parallel exact sampling and evaluation of GMRFs. Parallelisation is achieved with parallel algorithms from linear algebra for sparse symmetric positive definite matrices. The parallel GMRF sampler is tested for GMRFs on lattices and irregular graphs, and gives both good speed-up and good scalability. The parallel one-block M-H algorithm is used to make inference for a geostatistical GMRF model with a latent spatial field of 31,500 variables.     

基于局部空间自适应MRF模型的图像分割

针对固定参数的点对马尔可夫随机场(Pairwise MRF)模型不能充分描述图像丰富的统计特征的问题,在研究 Pairwise MRF 模型的基础上,提出一种自适应分割算法.该算法首先建立一种空间自适应的局部区域 MRF 分割模型,并对局部区域的先验知识进行自适应估计;然后通过局部收敛的循环置信度传播(LBP)算法最大化自适应 MRF 模型的全局后验概率.实验结果表明所提出算法具有较好的分割结果.     

结合多空间特征的多尺度马尔可夫随机场彩色图像分割

提出了一种结合多空间特征的多尺度马尔可夫随机场(MRF)模型——MS-MRMRF。针对RGB单空间对彩色图像描述不足的问题,模型首先将图像转化为HSV空间并与RGB空间结合形成多空间特征;然后根据多空间特征的形式,提出了一种模糊化估参的多尺度MRF模型对其进行分割。彩色图像的分割实验表明：相比现有的单空间特征的多尺度MRF算法,结合多空间特征的多尺度MRF可以有效地提高分割精度。     

改进的分层马尔可夫随机场彩色图像分割算法

针对传统的分层马尔可夫随机场（MRF）算法难以描述彩色图像像素值分布等问题,提出一种基于RGB色彩统计分布的分层MRF分割算法。在分层MRF模型的基础上,设定了相关参数并对分割过程进行了公式推导;结合RGB色彩统计分布模型,重写了分层MRF能量函数,利用k-means算法作为预分割算法,实现了算法的无监督分割。相比传统的分层MRF分割模型,该算法充分利用了彩色图像的像素值的信息,可有效地减少颜色分布参数和计算成本,能更准确地描述各分割对象的颜色分布;且该算法不受目标和背景颜色区间分布、目标空间分布的限制,能够很好地描述不同目标和背景。通过大量实验验证了算法的有效性,其在运算速度、分割精度等方面均优于传统MRF算法和模糊C均值（FCM）算法。     

基于随机游走的医学超声图像分割

医学超声图像不可避免地存在斑点噪声、弱边界等问题,很难达到满意的分割效果。随机游走算法对噪声具有鲁棒性,对弱边界有良好的提取能力。将此算法应用于医学超声图像分割,通过融合区域信息与用户指定的种子点信息,借助于电路模拟以及组合Dirichlet问题,可以得到每个非种子点到标记了目标点或者背景点的概率,并对其赋予概率中最大的种子点所对应的标记,从而实现图像的分割。实验结果表明,该方法对医学超声图像的分割是有效的。此算法通过求解稀疏的、对称的、正定的线性方程的系统来获得Dirichlet问题的解,使计算速度大为提高。     

马尔可夫边缘描述符的图像特征提取算法

分析目前MPEG-7标准下对纹理特征提取的研究,在边缘直方图描述符的基础上,借鉴马尔可夫链的思想,提出了马尔可夫边缘描述符。该描述符使用马尔可夫链的初始分布表征同种类型边缘之间的空间分布信息,采用马尔可夫链的极限分布来表征不同类型边缘之间的空间分布信息。实验表明,马尔可夫边缘描述符在具有直方图描述符优点的基础上,可以很好地捕获图像边缘的空间信息,对同种或不同种边缘类型间的空间分布都有较好的检索效果,检索效果优于边缘直方图描述符。     

基于马尔可夫随机场与活动轮廓的运动目标分割

针对视频序列图像中的运动目标分割,提出了将马尔可夫随机场模型和活动轮廓模型相结合的运动目标分割算法。该算法首先利用马尔可夫随机场模型的运动检测算法,得到运动目标的初始模板。在此基础上提取出活动轮廓模型的初始轮廓点,然后构造活动轮廓模型的能量函数。用改进的贪婪算法求得能量函数最小值,提取出运动目标的精确轮廓,从而得到具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

A universal texture segmentation and representation scheme based on ant colony optimization for iris image processing

This paper proposes a novel scheme for texture segmentation and representation based on Ant Colony Optimization (ACO). Texture segmentation and texture characteristic expression are two important areas in image pattern recognition. Nevertheless, until now, how to find an effective way for accomplishing these tasks is still a major challenge in practical applications such as iris image processing. We propose a framework for ACO based image processing methods. Considering the specific characteristics of various tasks, such a framework possesses the flexibility of only defining different criteria for ant behavior correspondingly. By defining different kinds of direction probability and movement difficulty for artificial ants, an ACO based image segmentation algorithm and a texture representation method are then presented for automatic iris image processing. Experimental results demonstrated that the ACO based image processing methods are competitive and quite promising, with excellent effectiveness and practicability especially for images with complex local texture situations.     

Multiscale Bayesian texture segmentation using neural networks and Markov random fields

This paper presents a wavelet-based texture segmentation method using multilayer perceptron (MLP) networks and Markov random fields (MRF) in a multi-scale Bayesian framework. Inputs and outputs of MLP networks are constructed to estimate a posterior probability. The multi-scale features produced by multi-level wavelet decompositions of textured images are classified at each scale by maximum a posterior (MAP) classification and the posterior probabilities from MLP networks. An MRF model is used in order to model the prior distribution of each texture class, and a factor, which fuses the classification information through scales and acts as a guide for the labeling decision, is incorporated into the MAP classification of each scale. By fusing the multi-scale MAP classifications sequentially from coarse to fine scales, our proposed method gets the final and improved segmentation result at the finest scale. In this fusion process, the MRF model serves as the smoothness constraint and the Gibbs sampler acts as the MAP classifier. Our texture segmentation method was applied to segmentation of gray-level textured images. The proposed segmentation method shows better performance than texture segmentation using the hidden Markov trees (HMT) model and the HMTseg algorithm, which is a multi-scale Bayesian image segmentation algorithm.